Embora o UMAP seja amplamente utilizado para explorar dados de alta dimensão, os fluxos de trabalho típicos focam em sua incorporação de baixa dimensão, negligenciando em grande parte o rico grafo de k-vizinhos mais próximos (kNN) que o UMAP constrói internamente. Este grafo codifica a variedade de dados em seu espaço original de alta dimensão, antes da distorção que a projeção 2D do UMAP introduz.
Os autores demonstram como algoritmos de grafos padrão aplicados a esta representação interna melhoram a interpretação de dados:
- PageRank identifica pontos de dados representativos.
- A decomposição k-core revela regiões centrais densas em comparação com uma periferia esparsa.
- O coeficiente de agrupamento detecta vizinhanças fortemente conectadas com pontos de dados altamente similares.
Através de avaliação quantitativa e qualitativa no MNIST e Fashion MNIST, o estudo mostra que essas análises baseadas em grafos não são apenas práticas, mas também competitivas ou complementares a métodos específicos como k-medoids para seleção de exemplares e HDBSCAN para agrupamento baseado em densidade.